(54.236.58.220) 您好!臺灣時間:2021/03/01 19:01
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:余軒誼
研究生(外文):YU,HSUAN-YI
論文名稱:運用機器學習理論建構崩塌地潛勢-以臺東縣 太麻里溪流域為例
論文名稱(外文):Establish a Landslide Potential Prediction Model with Machine Learning Method – A Case Study of Taitung Taimali Watershed
指導教授:蔡元芳蔡元芳引用關係
指導教授(外文):Tsai,Yuan-Fang
口試委員:蘇文瑞陳晉琪
口試委員(外文):Su,Wen-RayChen,Jinn-Chyi
口試日期:2020-05-26
學位類別:碩士
校院名稱:國立臺北教育大學
系所名稱:社會與區域發展學系碩士班
學門:社會及行為科學學門
學類:區域研究學類
論文種類:學術論文
論文出版年:2020
畢業學年度:108
語文別:中文
論文頁數:81
中文關鍵詞:崩塌潛勢圖機器學習監督式學習
外文關鍵詞:Landslide Susceptibility MapsMachine LearningSupervised Learning
相關次數:
  • 被引用被引用:0
  • 點閱點閱:48
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
近年來隨著氣候變遷影響下極端降雨事件頻傳,臺灣每年春夏季面對梅雨與颱風所帶來的集中性豪大雨侵襲,常常造成山區發生嚴重的坡地災害,而其中2009年的莫拉克颱風過後全臺總共新增39,492公頃的崩塌地,其中太麻里溪流域範圍為當時影響較為嚴重的流域,流域內山坡地多處發生自然崩塌,而多起的土石崩塌造成了許多公共建設的毀損及民眾生命財產的損失。引起崩塌地發生因素眾多且複雜,為了進行事前的災害預防,本研究運用機器理論建構山崩潛勢圖,研究中選定了七個因子包含高程、坡度、坡向、曲率、地質、距河流遠近及颱風事件累積雨量。本研究以流域近幾年來最大三場颱風事件,並利用支持向量機(SVM)、類神經網路(ANN)與極限梯度提升(XGBoots)三種不同的機器學習演算法進行訓練,運用混淆矩陣計算效能指標,而再接受者操作特徵曲線面積中三種演算法的值分別為0.80、0.77及0.88皆具有良好的分類效能,其中以XGBoots的值最高。最後本研究藉由2013年天兔颱風事件建構流域崩塌地潛勢,從結果顯示各演算法模型總體準確率分別為支持向量機(SVM)71.9%、類神經網路(ANN)67.1%及極限梯度提升(XGBoots)70.4%。其中XGBoots模式建構的崩塌地潛勢圖中,高潛勢地區與實際崩塌區位趨勢較為符合。未來如果可以利用颱風預測雨量圖層,即可根據此三種模型建構崩塌地潛勢圖,提早掌握太麻里溪流域可能崩塌之區域,以提早因應準備減少崩塌災害造成的生命與財產損失。
In recent years, with the frequent incidents of extreme rainfall generated by the global climate change, Taiwan has been facing the extremely heavy rains brought by seasonal plum rain and typhoon which causes quite a number of hill side disasters. For example, Typhoon Morakot happened in 2009 had caused total of 39,492 hectares landslides in the areas of Taimali River basin which has taken people lives as well as damaged public infrastructure & personal property loss.With the complexity of root cause on landslides, this study has utilized Machine Learning Method with mapping landslide susceptibility and chosen seven of key factors including elevation, slope, slope aspect, curvature, geology, distance from the river and accumulated precipitation. Furthermore, it applies three type of machine learning algorithm such as Supporting Vector Machine, Artificial Neural Networks, and Extreme Gradient Boosting for relevant training. It applies Confusion Matrix to calculate the performance index and finds very good category of algorithm value with 0.80, 0.77, & 0.88 for the covered area under the receiver operating characteristic curve.In this study, the typhoon Usagi event has been applied as the model of predictive verification analysis and the result shows the collective accuracy of each algorithm models as 71.9% with SVM, 67.1% with ANN, and 70.4% with XGBoosts. Meanwhile, the hidden landslide chart built by XGBoosts shows much better matching between the high risk of invisible landslide and the trendy landslide physically. For whatever new landslide data will be built in the future, it will help greatly by utilizing those three analytical models to discover the most potential landslide area at Taimali River basin earlier so as to prevent and minimize the property loss caused by the landslide in advance.
摘要 i
ABSTRACT ii
目錄 iii
表目錄 vi
圖目錄 viii
第一章、緒論 1
1.1研究動機 1
1.2研究目的 3
1.3研究架構 4
第二章、文獻回顧 7
2.1崩塌地相關文獻 8
2.1.1.崩塌地定義 8
2.1.2.崩塌地分類 8
2.1.3.崩塌地因子相關研究 10
2.1.4.崩塌地潛勢相關研究 13
2.2機器學習相關文獻 16
2.2.1.機器學習背景 16
2.2.2.機器學習類型 17
2.2.3.機器學習演算法 20
2.3小結 22
第三章、研究方法 25
3.1研究流程 25
3.2研究區流域範圍環境 27
3.3克利金(Kriging)法雨量推估 34
3.4崩塌地資料蒐集 37
3.5崩塌地影響因子 39
3.6機器學習模型建構方法 42
3.6.1.資料預處理 42
3.6.2.模型學習 44
3.6.3.模型評估 49
3.6.4.模型預測 52
第四章、研究結果與討論 53
4.1流域分析單元劃設 53
4.2崩塌地潛勢因子選取 54
4.3研究流域資料預處理 55
4.4機器學習模型訓練與評估 57
4.4.1.混淆矩陣 58
4.4.2.接收操作特徵曲線 60
4.5模型驗證分析 62
第五章、結論與建議 69
5.1結論 69
5.2建議 70
參考文獻 71
附錄 一 75

表目錄
表2-1Varnes崩塌分類法 8
表2-2經濟部中央地質調查所分類方法 9
表2-3水土保持局山崩分類方法 9
表2-4相關文獻崩塌地因子選取表 12
表2-5崩塌潛勢相關研究方法 15
表3-1太麻里溪流域地形統計表 29
表3-2太麻里溪流域坡度統計表 30
表3-3太麻里溪流域坡向統計表 31
表3-4雨量站資料表 33
表3-5太麻里溪流域颱風事件雨量表 35
表3-6颱風與豪雨事件發生後崩塌面積 39
表3-7崩塌地因子 40
表3-8混淆矩陣說明列表 50
表4-1流域範圍內新增崩塌與未崩塌網格表 56
表4-2電腦運行環境 58
表4-3各模型演算法訓練時間 58
表4-4崩塌地預測混淆矩陣說明表 59
表4-5各演算法(測試集)模型指標值 60
表4-6ANN演算法崩塌網格(0.5以上)與未崩塌網格(0.5以下)結果 66
表4-7XGBoots演算法崩塌網格(0.5以上)與未崩塌網格(0.5以下)結果 67
表4-8SVM演算法崩塌網格(0.5以上)與未崩塌網格(0.5以下)結果 68

圖目錄
圖1-1太麻里溪上游包盛社地區堰塞湖 2
圖1-2太麻里溪上游崩塌山壁 2
圖1-3研究架構圖 5
圖2-1文獻回顧架構圖 7
圖2-2人工智慧、機器學習、深度學習關係圖 16
圖2-3監督式學習流程圖 17
圖2-4非監督式學習流程圖 17
圖2-5強化學習流程圖 18
圖2-6機器學習分類與演算法關聯圖 19
圖2-7支持向量機最佳化分類超平面示意圖 20
圖2-8核函數轉換示意圖 21
圖2-9類神經網路傳導示意圖 22
圖3-1研究方法流程圖 26
圖3-2研究流域範圍圖 27
圖3-3太麻里莫拉克颱風後崩塌地 28
圖3-4凡那比颱風沖毀南迴鐵路 28
圖3-5太麻里流域範圍地形圖 29
圖3-6太麻里溪流域範圍坡度圖 30
圖3-7太麻里溪流域坡向圖 31
圖3-8太麻里溪流域地質圖 33
圖3-9太麻里流域周圍雨量測站分佈位置 34
圖3-10莫拉克颱風克利金雨量 36
圖3-11南瑪都颱風克利金雨量 36
圖3-12天兔颱風克利金雨量 37
圖3-13莫拉克颱風新增崩塌地 38
圖3-14南瑪都颱風新增崩塌地 38
圖3-15天兔颱風新增崩塌地 39
圖3-16典型機器學習流程圖 42
圖3-17支持向量機分類示意圖 46
圖3-18 Tensorflow架構說明圖 47
圖3-19三種情況AUC值示意圖 51
圖4-1太麻里溪流域網格示意圖 53
圖4-2發生崩塌網格選取示意圖 54
圖4-3太麻里溪流域土地利用 55
圖4-4流域範圍網格樣本資料處理 56
圖4-5數據資料特徵縮放示意圖 57
圖4-6模型訓練與評估步驟 57
圖4-7各演算法(測試集)模型混淆矩陣圖 59
圖4-8 ANN演算法(測試集)模型ROC曲線圖 61
圖4-9 XGBoots演算法(測試集)模型ROC曲線圖 61
圖4-10 SVM演算法(測試集)模型ROC曲線圖 62
圖4-11天兔颱風路徑圖 63
圖4-12天兔颱風9/19日~9/22日雨量累積圖 64
圖4-13ANN演算法模型崩塌潛勢圖 66
圖4-14XGBoots演算法模型崩塌潛勢圖 67
圖4-15SVM演算法模型崩塌潛勢圖 68


1.Chakraborty, T.,Alam, S.&Islam, D.(2019). Usceptibility Mapping Using Xgboost Model In Chittagong District, Bangladesh. International Conference On Disaster Risk Management,431-434.
2.Chen, T., & Carlos G.(2016)A scalable tree boosting system.Proceedings of the 22nd ACM sigkdd international conference on knowledge discovery and data mining.
3.Corters, C.,Vapnik, V. (1995).Support-vector networks. Machine Learning, 20(3), 273–297.
4.Kavakiotis, I.,Tsave, O.,Salifoglou, A., Maglaveras N., Vlahavas I., Chouvarda I.(2017).Machine Learning and Data Mining Methods in Diabetes Research. Computational and Structural Biotechnology Journal ,15 ,104–116.
5.Kumar, D., Thakur, M., Dubey, C.S.,&Shukla, D.P. (2017). Landslide susceptibility mapping & prediction using Support Vector Machine for Mandakini River Basin, Garhwal Himalaya, India. Geomorphology(295),115-125.
6.Lee, S.; Hong, S.-M.; Jung, H.-S.(2017) A Support Vector Machine for Landslide Susceptibility Mapping in Gangwon Province, Korea. Sustainability , 9- 48.
7.Pourghasemi, H.R.,Jirandeh, A.G.,Pradhan, B.(2013).Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran. J Earth Syst Sci 122, 349–369.
8.Raschka, S.&Mirjalili, V.(2017).Python Machine Learning. Packt Publishing.
9.Silver, D., Huang, A., Maddison, C., Guez, A., Sifre, L., van den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M., Dieleman, S., Grewe, D., Nham, J., Kalchbrenner, N., Sutskever, I., Lillicrap, T., Leach, M., Kavukcuoglu, K., Graepel, T. and Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489.
10.Varnes, D. J.(1978). Slope Movement Types and Processes. In: Schuster, R.L. and Krizek, R.J., Eds., Landslides, Analysis and Control, Transportation Research Board, Special Report No. 176. National Academy of Science, 11-33 .
11.蘇苗彬、陳毅輝、方俊傑(2009)。應用不安定指數法於坡地崩塌之潛勢分析。水保技術,4(1):9-23。
12.水土保持手冊(2006)。行政院農業委員會水土保持局。
13.吳俊鋐(2014)。以崩塌率為依據建構邏輯式迴歸崩塌潛勢評估模式。中華水土保持學報,45(4),257-265。
14.吳俊鋐、黃均臺、吳亭燁(2016)。南投縣仁愛鄉崩塌特性分析及崩塌風險模式建構。中華水土保持學報,49(3),154-166。
15.吳俊鋐及陳樹群(2004)。崩塌潛勢預測方法於台灣適用性之初探。中華水土保持學報,36(4),295-306。
16.李三畏(1984)。台灣崩塌問題探討。地工技術,7: 43-49。
17.林大貴(2017),Tensorflow+keras深度學習人工智慧實務。博碩出版。
18.林宗勳。Support Vector Machines簡介。瀏覽日期:2019/12/29。
19.林芬玲、林家榮、林昭遠(2008)。集水區崩塌潛勢劃定之研究,中華水土保持學報,40(4),439-453。
20.林家榮(2004)。潛在危險指標應用於屏東縣集水區分級分區之研究。國立屏東科技大學水土保持學系,碩士論文。
21.羅雅尹(2015)。民國102年颱風調查報告-第19號天兔(Usagi)颱風。
22.陳允傑(2019)。TensorFlow與Keras python深度學習應用實務。
23.陳樹群、吳俊毅、謝政道(2012)。崩塌危害分析模型之建立─以臺北水源特定區為例。中華水土保持學報,43(4),332-345。
24.程式前沿(2018)。XGBoost入門與實戰(原理篇)。取自:https://codertw.com/%E7%A8%8B%E5%BC%8F%E8%AA%9E%E8%A8%80/635146/
25.黃雅喬、林國峰、張明瑞、何瑞益(2016)。支援向量機於降雨引致崩塌潛勢分析之研究。中國土木水利工程學刊:28卷1期P57~66。
26.黃詩涵(2018)。複合式土砂災害情境模擬及虛擬實境互動平台建置。國立台北教育大學,碩士論文。
27.黃臺豐(1999)。瑞里地震誘發之山崩。國立中央大學應用地質研究所,碩士論文。
28.黃璿宇(2014)。以不安定指數法探討大安溪流域中上游崩塌潛勢分析之研究。國立中興大學,碩士論文。
29.楊侃樸(2015)。以不安定指數法分析崩塌潛勢-以基隆市為例。國立臺灣海洋大學河海工程學系,碩士論文。
30.楊智堯(1999)。類神經網路於邊坡破壞潛能分析之應用研究。國立成功大學土木工程學系,碩士論文。
31.詹勳全、張嘉琪、陳樹群、魏郁軒、王昭堡、李桃生(2015)。台灣山區淺層崩塌地特性調查與分析,中華水土保持學報,46(1),19-28。
32.詹勳全、陳柏安、溫祐霆(2015)。以地理資訊系統搭配羅吉斯回歸、不安定指數及支撐向量機建立山崩潛感之比較分析。中華水土保持學報,46(4),213-222。
33.壽克堅(2010)。台灣中部地區山崩影響因子之時間序列分析。國立中興大學土木工程學系,碩士論文。
34.劉盈劭(2001)。地形敏感性的比較研究─以陳有蘭溪北段小支流為例。國立台灣師範大學地理學研究所,碩士論文。
35.蔡光榮、謝正倫、周士傑、曾皇銘、陳昆廷(2010)。類神經網路分析法應用於高雄壽山坡地社區邊坡崩塌潛感區之劃定。臺灣鑛業,第62卷第3期,35-42。
36.賴志強(2007)。台灣地區降雨及地震誘發崩塌之特性研究。國立成功大學水利及海洋工程學系,碩士論文。
37.謝依霖(2016)。台東太麻里集水區崩塌地因子探討。國立屏東科技大學水土保持學系,碩士論文。
38.羅昱婷(2010)。證據權重法運用於預測崩塌潛勢之研究—以大漢溪集水區為例。國立成功大學地球科學研究所,碩士論文。
39.吳芮妍(2019)。應用機器學習分類技術分析軍人自殺風險因素。國立國防大學政治作戰學院心理及社會工作學系。碩士論文。

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔